基于有限元分析调控的物理信息神经网络用于激光粉末床熔覆中熔池动力学的仿真加速
摘要
激光粉末床熔覆（LPBF）的高效仿真对于过程预测至关重要，因为传统数值方法如有限元分析（FEA）持续存在高计算成本问题。虽然物理信息神经网络（PINN）能够通过少量训练数据预测解场，并通过迁移学习实现新工艺参数的泛化，但其在时依赖问题中因残差积累及难以捕捉 LPBF 过程中陡峭空间和时间梯度而导致精度下降。为此，本研究开发了一种高效建模框架——FEA 调控物理信息神经网络（FEA-PINN），以在保持 FEA 精度的同时加速 LPBF 过程中熔池动力学现象的预测。FEA-PINN 的创新体现在两个方面：其一，开发了 PINN 模型中的新颖策略以捕捉粉末-液-固相变，实现激光熔融期间材料状态的跟踪。模型进一步纳入温度依赖的材料属性、粉末床的相变行为、马拉孙涡流和熔池中的自然对流。其二，FEA-PINN 框架在推理过程中集成纠正 FEA 模拟，以强制物理一致性、减少误差漂移并捕捉陡峭梯度。比较分析表明，FEA-PINN 在准确性上与 FEA 持平，却显著降低了计算成本。该框架已针对 LPBF 中的单轨扫描经受基准 FEA 数据验证。
引用
@article{arxiv.2506.20537,
title = {Physics-Informed Machine Learning Regulated by Finite Element Analysis for Simulation Acceleration of Melt Pool Dynamics in Laser Powder Bed Fusion},
author = {R. Sharma and Y. B. Guo},
journal= {arXiv preprint arXiv:2506.20537},
year = {2026}
}
备注
Further investigation revealed that the current version reflects an incomplete formulation and limited validation of the proposed method. We have since developed a substantially revised and extended study with updated assumptions and results, and therefore withdraw this version to prevent citation of superseded findings